The Shack–Hartmann wavefront sensor (SHWFS) is commonly used for its high speed and precision in adaptive optics. However, its performance is limited in low light conditions, particularly when observing faint objects in astronomical applications. Instead of a pixelated detector, we present a new approach for wavefront sensing using a single-pixel detector, which is able to code the spatial position of a light spot array into the polarization dimension and decode the polarization state in the polar coordinate. We propose validation experiments with simple and complex wavefront distortions to demonstrate our approach as a promising alternative to traditional SHWFS systems, with potential applications in a wide range of fields.

为了克服近地面湍流对几十到几百米中长成像距离下光学系统成像质量的不利影响，设计了基于长焦距望远物镜和一体化自适应模块的光学成像系统。在系统中心高度1.9 m及50~200 m的成像距离下，开展了分辨率板的室外成像实验。实验结果表明，在近地面的50~200 m中长距离下湍流对成像质量的影响明显，所搭建的实验系统能够在不同距离下有效克服湍流影响，提高图像的分辨率和清晰度的一致性，但随着成像距离的增加，湍流影响的增大，系统的校正能力降低，成像质量下降。系统在100 m成像距离下的成像分辨率能够达到0.5 mm。在200 m的距离对混凝土模型表面裂缝进行了观测及校正实验，实验结果表明，系统能够抑制湍流影响，提高裂缝图像的清晰度，验证了系统的实际应用能力。

天文观测仪器的蓬勃发展推动了对小体积、低成本、高效率的新一代仪器的研究工作。近年来，集成光学元件的发展为天文技术与方法带来了新机遇，天文光子学应运而生，为天文观测提供低成本、集成化的新一代高性能天文光学仪器。光子灯笼是一种低插入损耗、高模式选择性的新型全光纤线性光学器件，以综合单模光纤系统与多模光纤系统的优势，并实现模式转换与模式控制，可用于天文红外光谱滤波、光纤扰模、波前传感等方面。本文就光子灯笼器件的概况、工艺制备、天文领域前沿应用、挑战与前景等方面进行介绍。

压缩感知技术用于光学波前测量时，常规的斜率恢复方法精度较低，难以测量大气湍流引起的复杂波前，本文利用深度神经网络进行斜率恢复，提高斜率恢复精度，从而提高压缩波前探测方法测量大气湍流波前的精度。传统的压缩波前探测方法在稀疏化过程中忽略相对较小的斜率值，导致波前测量误差的增加。为了快速测量大气湍流引起的复杂波前，本文提出了一种深度神经网络，可以高精度地恢复斜率，从而提高了波前重构的精度。在压缩比为0.1~0.9情况下，基于深度神经网络的压缩波前探测算法（DNNCWS）的波前重构误差PV优于0.014 μm，算法的运行时间为4.4 ms。在暗弱星等情况下，残差波前的峰谷值（PV）优于0.011 μm。模拟结果表明，DNNCWS具有良好的抗噪声性能。深度神经网络DNNCWS提高了压缩波前的探测精度，可以用于测量大气湍流引起的复杂像差，还可用于其他自适应光学应用，如激光通信和视网膜成像。

A real-time wavefront sensing method for arbitrary targets is proposed, which provides an effective way for diversified wavefront sensing application scenarios. By using a distorted grating, the positive and negative defocus images are simultaneously acquired on a single detector. A fine feature, which is independent of the target itself but corresponding to the wavefront aberration, is defined. A lightweight and efficient network combined with an attention mechanism (AM-EffNet) is proposed to establish an accurate mapping between the features and the incident wavefronts. Comparison results show that the proposed method has superior performance compared to other methods and can achieve high-accuracy wavefront sensing in varied target scenes only by using the point target dataset to train the network well.

自适应光学系统中，波前传感器的准确性和鲁棒性极大地影响像差探测能力和闭环校正效果。在波前振幅分布不均匀或信标光能量不足的情况下，哈特曼波前传感器由于存在子孔径缺光现象会导致传感精度下降，而基于远场光斑反演波前相位的无波前传感自适应系统实时性难以满足实用需求。基于深度学习复原波前的方法是通过输入远场光强图像直接求取像差，可以作为自适应光学系统的有效补充。文中通过数值模拟，证明了深度残差神经网络能够通过远场光斑直接预测波前相位的Zernike系数。实验验证了输入与重构波前相位之间校正后残差RMS为0.08λ，GPU加速后的平均计算耗时小于2 ms。该方法能较准确地预测入射波前畸变的Zernike系数，具有一定像差校正能力，适合在传统自适应光学技术中，用于测量并校正波前畸变的主要成分，或为优化式自适应光学提供良好的初始波前估计。